Pushing the limits of one-dimensional NMR spectroscopy for automated structure elucidation using artificial intelligence

Este artículo presenta un marco de aprendizaje profundo basado en la arquitectura transformer que logra con éxito la elucidación automatizada de estructuras de novo para moléculas orgánicas de hasta 40 átomos no hidrógeno utilizando únicamente espectros de RMN de $^1$H y $^{13}$C unidimensionales, identificando correctamente la molécula objetivo dentro de las 15 mejores predicciones en el 60.4% de los casos.

Lo esencial

Imagina que eres un detective intentando resolver un misterio, pero en lugar de encontrar huellas dactilares o un testigo, solo tienes una única y borrosa fotografía de la sombra del sospechoso. Tu trabajo es reconstruir todo el rostro, cuerpo y vestimenta del sospechoso partiendo únicamente de esa sombra.

Esto es esencialmente lo que enfrentan los químicos cuando intentan determinar la estructura de una nueva molécula utilizando solo espectroscopia RMN 1D.

El rompecabezas imposible

En el mundo de la química, una molécula es como una compleja estructura de Lego. Para una molécula de tamaño medio (una con alrededor de 36 a 40 átomos "pesados" como carbono, nitrógeno u oxígeno), hay más formas posibles de ensamblar esos Legos que granos de arena en todas las playas de la Tierra. El artículo estima que este número se sitúa entre $10^{20}$ y $10^{60}$.

Tradicionalmente, descifrar qué estructura de Lego específica tienes utilizando solo una "sombra" (un espectro) de RMN 1D simple se consideraba imposible. Es como intentar adivinar la disposición exacta de mil millones de piezas de Lego simplemente mirando una única sombra plana. Por lo general, los químicos necesitan más pistas, como la RMN 2D (que proporciona un mapa 3D) o conocer la lista exacta de ingredientes (la fórmula molecular) para resolver el rompecabezas.

El detective de IA

Los investigadores en este artículo construyeron un detective de IA superinteligente (un modelo "Transformer", el mismo tipo de tecnología detrás de muchos chatbots modernos) que puede resolver este rompecabezas utilizando solo la sombra de RMN 1D.

Así es como lo entrenaron, utilizando un ingenioso proceso de dos pasos:

Paso 1: Aprendiendo el lenguaje de las formas (Preentrenamiento)
Antes de que la IA pudiera mirar las sombras de RMN, le enseñaron un juego diferente. Le dieron "huellas dactilares de Morgan" —que son como códigos de barras digitales que describen las piezas pequeñas (fragmentos) de una molécula— y le pidieron a la IA que construyera la estructura completa de la molécula a partir de esos códigos de barras.

• La analogía: Imagina enseñar a un niño a construir una casa mostrándole una lista de ladrillos (ventanas, puertas, paredes) y pidiéndole que ensamble la casa.
• El resultado: La IA se convirtió en una maestra constructora. Podía mirar una lista de fragmentos y reconstruir correctamente la casa completa el 97.8% de las veces.

Paso 2: La prueba real (Espectro a Estructura)
Una vez que la IA fue una maestra constructora, le enseñaron la tarea real: mirar la "sombra" de RMN y adivinar la estructura de Lego directamente.

• No le dieron la lista de ingredientes (la fórmula molecular).
• No le dieron un mapa 3D.
• Solo le dieron el espectro de RMN 1D.

Los resultados: Resolviendo lo irresoluble

La IA realizó milagros en esta tarea imposible:

• Precisión: Para moléculas de hasta 40 átomos de longitud, la IA adivinó la estructura correcta dentro de sus 15 mejores opciones aproximadamente el 60% de las veces.
• La "Sombra" vs. El "Mapa": Incluso si la IA no obtuvo la respuesta exacta, solía estar muy cerca. Si fallaba en su elección, la estructura que sugería era a menudo un 82% similar a la molécula real. Es como si el detective adivinara que el sospechoso lleva un sombrero rojo en lugar de uno azul, pero acierta en el resto del atuendo.
• Un ojo es suficiente: Sorprendentemente, la IA pudo realizar la mayor parte de este trabajo utilizando solo el espectro de RMN de Hidrógeno (1H), sin necesidad de los datos de Carbono (13C). Logró la respuesta correcta el 46.6% de las veces en sus 15 mejores opciones.
• Adaptabilidad al mundo real: La IA fue entrenada con simulaciones por computadora, pero los investigadores demostraron que puede ser "ajustada" (fine-tuned) con solo 50 espectros experimentales reales. Incluso con esta mínima cantidad de datos reales, saltó de un 0% de precisión en datos reales a un 21.5% de precisión.

Por qué esto es importante

Piensa en el espacio químico como una biblioteca con $10^{60}$ libros. Encontrar el libro específico que necesitas leyendo solo la portada (el espectro de RMN 1D) se consideraba imposible. Esta IA no solo encuentra el libro; reduce la búsqueda a un pequeño montón de 15 libros, de los cuales 6 son probablemente el que buscas.

El artículo concluye que esta herramienta permite a los científicos saltarse los pasos costosos y lentos de obtener datos más complejos. Actúa como un filtro poderoso, reduciendo rápidamente las infinitas posibilidades de estructuras químicas a unas pocas manejables, basándose únicamente en los datos más simples y comunes disponibles en un laboratorio de química.

Resumen técnico

Resumen Técnico: Forzando los Límites de la Espectroscopia de RMN Unidimensional para la Elucidación Automatizada de Estructuras mediante Inteligencia Artificial

Planteamiento del Problema
La espectroscopia de RMN unidimensional (1D) es una herramienta primaria para la caracterización de compuestos orgánicos; sin embargo, determinar la estructura completa de una molécula (fórmula y conectividad) a partir de únicamente espectros de RMN de ¹H y/o ¹³C —conocido como generación de estructuras de novo— se considera tradicionalmente intratable para moléculas con más de unos pocos átomos. Esto se debe a la explosión combinatoria del espacio químico, donde el número de estructuras posibles para moléculas con hasta 36 átomos no hidrogenados oscila entre $10^{20}$ y $10^{60}$. Los enfoques actuales de elucidación de estructuras asistida por computadora (CASE) suelen requerir datos adicionales (p. ej., RMN 2D, HR-MS, fórmulas moleculares) o dependen de la comparación con bibliotecas de candidatos, lo que limita su aplicabilidad a compuestos novedosos o situaciones en las que dicho contexto no está disponible. Los métodos actuales de aprendizaje automático a menudo no logran abordar la tarea completa de espectro-a-estructura sin pasos intermedios o información de condicionamiento extensa.

Metodología
Los autores proponen un marco de aprendizaje profundo de extremo a extremo basado en arquitecturas de transformadores para resolver las tareas de espectro-a-estructura y espectro-a-subestructura utilizando únicamente espectros de RMN de ¹H y ¹³C, sin requerir la fórmula molecular u otros datos contextuales.

1. Preentrenamiento (Subestructura-a-Estructura): El marco utiliza una fase de preentrenamiento donde un modelo de transformador aprende a reconstruir cadenas SMILES a partir de huellas dactilares de Morgan (vectores binarios que representan subestructuras moleculares). Esta tarea condiciona al modelo en la semántica y la validez sintáctica de las representaciones moleculares. El modelo fue entrenado con 88 millones de cadenas SMILES únicas de PubChem (con fecha de febrero de 2025) que contienen hasta 40 átomos pesados (C, N, O, H, B, P, Si, F, Br, Cl, I).
2. Arquitectura Multitarea: Los pesos preentrenados se transfieren para inicializar la rama de elucidación de la estructura de un modelo multitarea.
   • Entrada: El modelo toma espectros de RMN de ¹H (codificados mediante una red neuronal convolucional) y desplazamientos químicos de ¹³C (representación embebida).
   • Procesamiento: Una representación latente combinada se alimenta a dos ramas paralelas:
     • Una rama de elucidación de subestructuras (codificador de transformador de 4 capas) que predice la probabilidad de la presencia de fragmentos moleculares específicos.
     • Una rama de predicción de estructura (codificador-decodificador de transformador de 8 capas) que genera la cadena SMILES de forma autorregresiva.
3. Datos de Entrenamiento: El modelo multitarea fue entrenado en un conjunto curado de 2 millones de moléculas (seleccionadas del grupo de 88M para asegurar la diversidad y evitar la fuga de datos) con espectros de RMN de ¹H y ¹³C simulados hacia adelante mediante predictores de ACD/Labs.

Resultos Clave

• Rendimiento de Subestructura-a-Estructura: El modelo de preentrenamiento alcanzó una precisión Top-15 del 97.8% en la reconstrucción de cadenas SMILES a partir de huellas dactilares de Morgan para moléculas de hasta 40 átomos pesados. Incluso para las moléculas más grandes (40 átomos pesados), la precisión se mantuvo alta (88.8%), y las predicciones incorrectas mostraron una alta similitud de Tanimoto (MTS promedio de 0.82) con el objetivo, lo que indica que el modelo recupera información estructural sustancial incluso cuando falla en la reconstrucción exacta.
• Rendimiento de Espectro-a-Estructura: El marco multitarea logró una precisión de estructura Top-15 del 60.4% en el conjunto de prueba utilizando únicamente espectros de RMN de ¹H y ¹³C. Este rendimiento se mantuvo a través de todo el rango de tamaños de moléculas (10–40 átomos pesados), a pesar de que el espacio químico crece en más de 30 órdenes de magnitud dentro de este rango.
  • El uso exclusivo de espectros de RMN de ¹H resultó en una precisión Top-15 del 46.6%.
  • El uso exclusivo de espectros de RMN de ¹³C resultó en una precisión Top-15 del 19.4%.
  • El preentrenamiento mejoró la precisión de estructura Top-15 en 22 puntos porcentuales en comparación con el entrenamiento desde una inicialización aleatoria.
• Cobertura Elemental: El modelo se generalizó con éxito a elementos más allá de C, N, O y H, incluyendo P, S, Si, B y halógenos. Aunque la precisión varió según el elemento (p. ej., mayor para S, menor para P debido a la diversidad de valencia), el modelo demostró la capacidad de predecir estructuras que contienen elementos raros (p. ej., B, I) con precisiones superiores al 20%.
• Predicción de Subestructura: El modelo alcanzó una puntuación F1 de 0.84 para la predicción de subestructuras. Las predicciones fueron altamente confiables, con un 98.1% de las probabilidades fuera del rango 0.1–0.9.
• Validación Experimental: Cuando se ajustó finamente (fine-tuned) con un pequeño conjunto de 50 espectros experimentales del BMRB, el modelo logró una precisión de estructura Top-15 del 21.5% en datos de prueba experimentales, una mejora significativa respecto al 0.0% de precisión zero-shot, mientras mantenía su rendimiento en datos simulados.
• Generación de Candidatos: En los casos donde no se predijo la estructura exacta, la mejor predicción incorrecta del modelo fue a menudo más cercana a la molécula objetivo que cualquier molécula encontrada en el conjunto de entrenamiento de 85 millones de moléculas de PubChem (posición Top-1 en el 32.2% de los fallos para sistemas de 40 átomos pesados).

Significación y Reivindicaciones
El artículo sostiene que este marco supera la escalabilidad combinatoria del espacio químico para permitir la generación automatizada de estructuras de novo utilizando únicamente datos rutinarios de RMN 1D. Al aprovechar los conocimientos del procesamiento de lenguaje natural y las arquitecturas de transformadores, los autores demuestran que es posible predecir la molécula correcta con un 60.4% de precisión dentro de las primeras 15 predicciones para sistemas de hasta 40 átomos pesados.

Los autores posicionan este trabajo como un paso fundacional hacia la elucidación de estructuras totalmente automatizada. Argumentan que el marco:

1. Elimina el cuello de botella de requerir RMN 2D complejos o fórmulas moleculares para la generación inicial de estructuras.
2. Proporciona una alternativa computacionalmente eficiente frente a la búsqueda de fuerza bruta o los algoritmos genéticos iterativos.
3. Ofrece una capacidad de "modelo fundacional", donde el preentrenamiento en grandes conjuntos de datos permite un ajuste fino efectivo en pequeños conjuntos de datos experimentales.
4. Genera moléculas candidatas de alta calidad que pueden restringir el espacio de búsqueda química incluso cuando la estructura exacta no se identifica inmediatamente, sirviendo potencialmente como semillas para métodos de búsqueda más exhaustivos o herramientas CASE.

Los autores reconocen desafíos persistentes, incluyendo la determinación estereoquímica y la brecha entre los datos simulados y los experimentales, pero afirman que su enfoque proporciona una base robusta para escalar la elucidación automatizada a través del espacio químico de tipo fármaco (drug-like).